بررسی رابطه بین آمیخته بازاریابی مدل (C4) و تمایل به خرید بیمه مسئولیت …

اما قبل از وارد شدن به برآورد و گرفتن آزمون ها نیاز است تا خلاصه ای از آنها ارئه و توضیح داده شود:
الف) آزمونهای لازم جهت برآورد مدلهای رگرسیونی
قبل از برآورد مدلهای رگرسیونی، آزمونهای مختلفی از جمله آزمون ناهمسانی واریانس، خود همبستگی و هم خطی گرفته خواهد شد و نهایتاً با اصلاح دادهها مدل برآورد میشود که در ادامه به توضیح آژمونها پرداخته خواهد شد.
۳) آزمون ناهمسانی واریانس
یکی از فروض کلاسیک در تخمینهای رگرسیونی یکسان بودن واریانس جملات اجزای پسماند در دورههای مختلف است. نقض این فرض، مشکلی به نام ناهمسانی واریانس ایجاد میکند. از آن رو که واریانس جزء اخلال(پسماند)، برابر با واریانس متغیر وابسته است، مشکل ناهمسانی واریانس، به یکسان نبودن واریانس متغیر وابسته در داده های مختلف مربوط میشود.
در داده های مقطعی، ناهمسانی واریانس یک اصل است تا یک استثنا، که در این مطالعه داده ها به صورت مقطعی میباشد. اگر مدل دارای مشکل ناهمسانی واریانس باشد و از طریق مدل OLS مدل را تخمین زده شود، مشکلاتی از جمله کارا نبودن تخمین، آماره های t و F گمراه کننده خواهند بود.
روشهای تشخیص ناهمسانی واریانس متعدد میباشند از جمله روش ترسیمی، بارتلت، اسپیرمن، وایت و … میباشند که در این مطالعه از روش آزمون وایت(White) استفاده خواهد شد.
– آزمون وایت
در آزمون وایت اول از طریق نرم افزار Eviews مدل را تخمین زده و بعد آزمون لازم را خواهیم گرفت. فرضیه های این آزمون به صورت:
H0 : همسانی واریانس
:H1ناهمسانی واریانس
در این آزمون که از دو آماره F و x2 (تعداد مشاهدات ضربدر R2)، محاسبه میشود که اولی، توزیع F و دومی توزیع خی دو(x2) دارد. پس از آزمون اگر ناهمسانی واریانس وجود داشته باشد آن را با روشهای مختلف از جمله تخمین مدل از طریق روش GLS[39]، لگاریتمی کردن مدل، یا طرفین مدل را بر جذر عاملی که باعث ناهمسانی شده، تقسیم کرد. در این مطالعه از روش GLS بهره گرفته خواهد شد اگر مشکل ناهمسانی واریانس موجود باشد و اگر همسانی واریانس اثبات شود دیگر نیازی به روشهای دیگر نخواهد بود(گجراتی، ۱۳۸۸).

  1. خود همبستگی

مشکل بعدی در برآورد مدلها احتمال وجود خود همبستگی میباشد. از دیگر فروض کلاسیک مبنی بر تخمین از طریق OLS، ارتباط نداشتن پسماندها در دوره های مختلف زمانی است. نقص این فرض مشکلی به نام خود همبستگی ایجاد میکند. به بیان ساده، مدل کلاسیک فرض میکند که جزء اخلال مربوط به یک مشاهده، تحت تأثیر جزء اخلال مربوط به مشاهده دیگر قرار نمیگیرد. وجود خودهمبستگی خاصیت بیشتر سریهای زمانی میباشد و در داده های مقطعی به ندرت اتفاق میافتد.
از آثار و مشکلات وجود خود همبستگی میتوان به موارد زیر اشاره نمود:
۱) هرچند تخمینها بدون تورش هستند، اما کارا نیستند. ۲) آمارههایt و F واقعی نیستند. تشخیص خود همبستگی از روش ترسیمی، آزمون دوربین واتسون(DW)، آزمون LM و چند روش دیگر مقدور میباشد که در این مطالعه از روش آزمون دوربین واتسون(اگر مقدار آماره به عدد ۲ نزدیکتر باشد نشان از عدم وجود خود همبستگی خواهد بود) و LM استفاده خواهد شد.
فرضیههای مورد آزمون به صورت زیر میباشد:
H0 : عدم خود همبستگی
H1 : خود همبستگی از درجه
آماره این آزمون مقدار F است که اگر فرض وجود خود همبستگی اثبات شود با روش های مختلف به رفع آن پرداخته خواهد شد. روشهای رفع خود همبستگی از جمله روش اولین تفاضل، روش دوربین، روش کوکران-اورکات و روش GLS میباشد.

  1. همخطی

اصطلاح همخطی، منسوب به راگنار فریش است. هم خطی در اصل به معنای وجود ارتباط خطی بین همه یا بعضی از متغیرهای توضیحی(متغیر مستقل) مدل رگرسیونی است. یکی دیگر از فروض کلاسیک کامل بودن مرتبه ماتریس X(ماتریس متغیرهای مستقل) است که نقض آن موجب بروز مشکل همخطی میشود. البته همخطی بر دو نوع همخطی کامل و همخطی ناقص است و در صورتی که همخطی از نوع کامل باشد فرض کلاسیک نقض میشود. هنگام وجود همخطی تخمین ضرایب امکانپذیر نیست، نسبتهای غیرمعنادار t را شاهد خوهد بود، R2 بالا و tهای معنادار اندک را وجود دارد. راههای تشخیص همخطی از طریق پیامدهای آن است که نام برده شد و راههای رفع آن ترکیب دادههای مقطعی و سری زمانی، حذف متغیری که موجب هم خطی شده است، تبدیل متغیرها به اولین تفاضل و استفاده از لگاریتم میباشد.
ب) روش تفسیر نتایج
– ضرائب(Cofficient)
ضرائب از اصلیترین قسمتهای یک مدل رگرسیونی است، این ضرائب ممکن است به صورت ۱(c)، ۲(c) و … مشخص شود که در این مطالعه به صورت ۱β ،۲β و … است.
– آماره t(t-statistic)
در هر برآورد مدل، محقق به دنبال آن است که بداند آیا مقدار ضرائب به دست آمده معنی دار است یا نه از آماره t، استفاده میکند و فرضیه ۰= β :۰H، را در مقابل فرضیه ۰ ≠ β :۱H، آزمون می کند. برای این آزمون نیاز است که آماره t محاسبه شود (هنگام برآورد مدل این آماره محاسبه میشود) و این t محاسبه شده را با t جدول با درجه آزادی ۲-n و در سطح ۵ درصد خطا مقایسه می شود(که معمولاً به طور تقریبی ۲ در نظر میگیرند).
در صورتی که قدرمطلق t محاسبه شده از t جدول بزرگتر باشد، فرضیه ۰H رد میشود و گفته میشود ضریب مورد نظر معنیدار است و در غیر اینصورت نمیتوان فرضیه ۰H را رد کرد.
– درصد خطا

برای دانلود متن کامل این فایل به سایت torsa.ir مراجعه نمایید.

(Prob یا Sig)
این مقدار، حداقل احتمال تأیید فرضیه ۰H را مبنی بر صفر بودن ضریب مورد نظر را بیان میکند، اگر این احتمال از ۵ درصد بزرگتر بود، فرضیه ۰H را نمیتوان رد کرد و در غیر اینصورت، ضریب مورد نظر معنی دار است.
– ضریب تعیین(R-squared(R2))
اگر محقق به دنبال آن باشد که بداند چند درصد از تغییرات متغیر وابسته را متغیر(متغیرهای) مستقل توضیح میدهد، R2 اغلب به عنوان معیار خوبی برای برازش مقایسه اعتبار نتایج الگوهای رگرسیونی که متغیرهای مستقل مختلف دارند به کار میرود. Rبین صفر و یک قرار دارد و هرچه به یک نزدیکتر باشد، مطلوبتر خواهد بود.
– آزمون دوربین واتسون(Durbin-Watson Test)
این آماره متداولترین آمارهای است که برای تشخیص خود همبستگی به کار میرود. اگر مقدار این آماره نزدیک به عدد ۲ باشد، مدل مورد بررسی خودهمبستگی ندارد.